Python TextBlob朴素的贝叶斯。选择最大似然

作为培训数据，使用XML对餐厅进行评论，并使用相关的目标表达表达情感，这是一个类别，属于一个离散的标签，并且极性表示为：

<text>With the great variety on the menu , I eat here often and never get bored .</text>
     <Opinions>
         <Opinion target="menu" category="FOOD#STYLE_OPTIONS" polarity="positive" from="30" to="34"/>
     </Opinions>

菜单种类繁多，我经常在这里吃饭，从不觉得无聊。 我使用TextBlob NB分类器将目标术语训练为相关类别

对于测试数据，我的目标是预测给定句子和类别的目标表达式。我首先从句子中提取了名词和名词短语，假设表达式是其中的一个子集。关于这句话：

“最令人感兴趣的可能是，最糟糕的服务态度来自于该机构的所有者

”，它们是

[“服务态度”、“所有者”、“机构”]

---

我想知道根据类别，其中哪一个最有可能，在本例中是

SERVICE#GENERAL

。我该怎么做呢？

默认情况下，TextBlob的NB分类器将文本特征提取为一袋单词。因此，您可以简单地将提取的名词列表中的单词连接起来，然后将其与类别连接起来，以将结果用作训练文本。并将目标作为培训标签

考虑到大量的单词是独立处理单词的，你应该把这些名词短语转换成一个单词。你可以用“-”代替空格，例如（“服务态度”应该是“服务态度”）

例如：

from textblob.classifiers import NaiveBayesClassifier

train = [('sevice-attitude owner establishment SERVICE#GENERAL', 'owner'),
         ('menu variety FOOD#STYLE_OPTIONS', 'menu')]

cl = NaiveBayesClassifier(train)

---

如果需要，您可以自定义特征提取：

TextBlob的NB分类器默认情况下将文本特征提取为一袋单词。因此，您可以简单地将提取的名词列表中的单词连接起来，然后将其与类别连接起来，以将结果用作训练文本。并将目标作为培训标签

考虑到大量的单词是独立处理单词的，你应该把这些名词短语转换成一个单词。你可以用“-”代替空格，例如（“服务态度”应该是“服务态度”）

例如：

from textblob.classifiers import NaiveBayesClassifier

train = [('sevice-attitude owner establishment SERVICE#GENERAL', 'owner'),
         ('menu variety FOOD#STYLE_OPTIONS', 'menu')]

cl = NaiveBayesClassifier(train)

---

如果需要，可以自定义特征提取：

分类器始终执行标记任务。它应该预测的信息是您在培训期间作为标签提供的信息。如果要预测给定类别的单词，则需要在培训期间将类别作为功能提供，并将每个单词作为标签提供。@lenz明白。至于将每个句子的分类器限制为候选集中的单词（这些是从句子中提取的名词短语），我该怎么做？我不确定我是否理解。你能更新你的问题还是发布一个新的问题？@lenz现在已经这样做了分类器总是执行标记任务。它应该预测的信息是您在培训期间作为标签提供的信息。如果要预测给定类别的单词，则需要在培训期间将类别作为功能提供，并将每个单词作为标签提供。@lenz明白。至于将每个句子的分类器限制为候选集中的单词（这些是从句子中提取的名词短语），我该怎么做？我不确定我是否理解。你能更新你的问题还是发布一个新的问题？@lenz已经更新了